Update app.py

app.py

@@ -18,6 +18,7 @@ from sklearn.model_selection import train_test_split
 from sklearn.metrics import mean_squared_error
 import os
 import json
+import requests
 
 # تنظیمات صفحه
 st.set_page_config(
@@ -111,6 +112,30 @@ st.markdown("""
 </style>
 """, unsafe_allow_html=True)
 
+# تابع برای دانلود فایل‌های داده
+@st.cache_data
+def download_data_files():
+    # دانلود فایل مختصات مزارع
+    farm_coordinates_url = "https://hebbkx1anhila5yf.public.blob.vercel-storage.com/farm_coordinates%20%281%29-nEgA8Z2YT3t4IcKbVOOGI1mPp95QeM.csv"
+    farm_database_url = "https://hebbkx1anhila5yf.public.blob.vercel-storage.com/%D9%BE%D8%A7%DB%8C%DA%AF%D8%A7%D9%87%20%D8%AF%D8%A7%D8%AF%D9%87%20%281%29-nt53xRXa8kvJKe5wyYpUCNtd0wej9R.csv"
+    
+    try:
+        # دانلود فایل‌ها
+        farm_coordinates_response = requests.get(farm_coordinates_url)
+        farm_database_response = requests.get(farm_database_url)
+        
+        # ذخیره فایل‌ها
+        with open('farm_coordinates.csv', 'wb') as f:
+            f.write(farm_coordinates_response.content)
+        
+        with open('پایگاه داده (1).csv', 'wb') as f:
+            f.write(farm_database_response.content)
+        
+        return True
+    except Exception as e:
+        st.error(f"خطا در دانلود فایل‌های داده: {e}")
+        return False
+
 # تابع برای اتصال به Google Earth Engine با استفاده از اطلاعات حساب سرویس
 @st.cache_resource
 def initialize_earth_engine():
@@ -244,29 +269,50 @@ def display_metric_card(title, value, icon="📊"):
     </div>
     """, unsafe_allow_html=True)
 
+# تابع برای تبدیل ستون به مقادیر عددی با مدیریت خطا
+def convert_to_numeric(df, column_name):
+    try:
+        # تلاش برای تبدیل ستون به عدد و جایگزینی خطاها با NaN
+        return pd.to_numeric(df[column_name], errors='coerce')
+    except Exception as e:
+        st.warning(f"خطا در تبدیل ستون {column_name} به عدد: {e}")
+        return pd.Series([np.nan] * len(df))
+
 # تابع برای بارگذاری داده‌های مزارع نیشکر
 def load_farm_data():
     try:
+        # دانلود فایل‌های داده اگر موجود نیستند
+        if not os.path.exists('farm_coordinates.csv') or not os.path.exists('پایگاه داده (1).csv'):
+            download_data_files()
+        
         # بارگذاری فایل مختصات مزارع
         farm_coordinates = pd.read_csv('farm_coordinates.csv')
         
         # بارگذاری فایل پایگاه داده مزارع
         farm_database = pd.read_csv('پایگاه داده (1).csv')
         
+        # تبدیل ستون‌های عددی به عدد با مدیریت خطا
+        if 'سن' in farm_coordinates.columns:
+            farm_coordinates['سن'] = convert_to_numeric(farm_coordinates, 'سن')
+        
+        if 'سن' in farm_database.columns:
+            farm_database['سن'] = convert_to_numeric(farm_database, 'سن')
+        
+        if 'مساحت' in farm_database.columns:
+            farm_database['مساحت'] = convert_to_numeric(farm_database, 'مساحت')
+        
+        if 'مساحت زیرمجموعه' in farm_database.columns:
+            farm_database['مساحت زیرمجموعه'] = convert_to_numeric(farm_database, 'مساحت زیرمجموعه')
+        
         # ادغام داده‌ها بر اساس ستون مزرعه
         merged_data = pd.merge(farm_database, farm_coordinates, on='مزرعه', how='inner')
         
-        # تبدیل ستون‌های سن به نوع عددی
-        if 'سن_x' in merged_data.columns:
-            merged_data['سن_x'] = pd.to_numeric(merged_data['سن_x'], errors='coerce')
-        if 'سن' in merged_data.columns:
-            merged_data['سن'] = pd.to_numeric(merged_data['سن'], errors='coerce')
-        
         return farm_coordinates, farm_database, merged_data
     except Exception as e:
         st.error(f"خطا در بارگذاری داده‌ها: {e}")
         
         # ایجاد داده‌های نمونه در صورت عدم وجود فایل‌ها
+        # داده‌های نمونه برای مختصات مزارع
         farm_coordinates = pd.DataFrame({
             'مزرعه': [f'مزرعه {i}' for i in range(1, 21)],
             'سن': np.random.randint(1, 10, 20),
@@ -275,6 +321,7 @@ def load_farm_data():
             'عرض جغرافیایی': np.random.uniform(31.0, 32.0, 20)
         })
         
+        # داده‌های نمونه برای پایگاه داده مزارع
         days = ['شنبه', 'یکشنبه', 'دوشنبه', 'سه‌شنبه', 'چهارشنبه', 'پنجشنبه', 'جمعه']
         farm_database = pd.DataFrame({
             'مزرعه': [f'مزرعه {i}' for i in range(1, 21)],
@@ -291,28 +338,26 @@ def load_farm_data():
         # ادغام داده‌ها
         merged_data = pd.merge(farm_database, farm_coordinates, on='مزرعه', how='inner')
         
-        # تبدیل ستون‌های سن به نوع عددی
-        if 'سن_x' in merged_data.columns:
-            merged_data['سن_x'] = pd.to_numeric(merged_data['سن_x'], errors='coerce')
-        if 'سن' in merged_data.columns:
-            merged_data['سن'] = pd.to_numeric(merged_data['سن'], errors='coerce')
-        
         return farm_coordinates, farm_database, merged_data
 
 # تابع برای ایجاد نقشه مزارع
 def create_farm_map(df, selected_farms=None):
+    # ایجاد نقشه با مرکزیت میانگین مختصات
     center_lat = df['عرض جغرافیایی'].mean()
     center_lon = df['طول جغرافیایی'].mean()
     m = folium.Map(location=[center_lat, center_lon], zoom_start=10)
     
+    # اضافه کردن لایه‌های مختلف
     folium.TileLayer('openstreetmap').add_to(m)
     folium.TileLayer('Stamen Terrain').add_to(m)
     folium.TileLayer('Stamen Toner').add_to(m)
     folium.TileLayer('Stamen Watercolor').add_to(m)
     folium.TileLayer('CartoDB positron').add_to(m)
     
+    # اضافه کردن کنترل لایه‌ها
     folium.LayerControl().add_to(m)
     
+    # اضافه کردن مارکرها برای هر مزرعه
     for idx, row in df.iterrows():
         color = 'green'
         if selected_farms is not None and row['مزرعه'] in selected_farms:
@@ -341,6 +386,7 @@ def create_farm_map(df, selected_farms=None):
 
 # تابع برای ایجاد نمودارهای تحلیلی
 def create_analysis_charts(df):
+    # نمودار توزیع واریته
     variety_column = 'واریته' if 'واریته' in df.columns else 'تنوع'
     fig_variety = px.pie(
         df, 
@@ -354,6 +400,7 @@ def create_analysis_charts(df):
         title_font_size=20
     )
     
+    # نمودار سن مزارع
     age_column = 'سن_x' if 'سن_x' in df.columns else 'سن'
     fig_age = px.histogram(
         df, 
@@ -369,23 +416,41 @@ def create_analysis_charts(df):
         title_font_size=20
     )
     
+    # نمودار مساحت مزارع
     if 'مساحت' in df.columns:
-        fig_area = px.scatter(
-            df, 
-            x='مساحت', 
-            y='مساحت زیرمجموعه' if 'مساحت زیرمجموعه' in df.columns else 'مساحت',
-            color=variety_column,
-            size=age_column,
-            hover_name='مزرعه',
-            title='رابطه بین مساحت و مساحت زیرمجموعه مزارع',
-            labels={'مساحت': 'مساحت کل (هکتار)', 'مساحت زیرمجموعه': 'مساحت زیرمجموعه (هکتار)'},
-            color_discrete_sequence=px.colors.sequential.Greens
-        )
-        fig_area.update_layout(
-            font_family="Vazirmatn",
-            title_font_family="Vazirmatn",
-            title_font_size=20
-        )
+        # تبدیل ستون‌های عددی به عدد با مدیریت خطا
+        area = pd.to_numeric(df['مساحت'], errors='coerce')
+        sub_area = pd.to_numeric(df['مساحت زیرمجموعه'], errors='coerce') if 'مساحت زیرمجموعه' in df.columns else area
+        age_values = pd.to_numeric(df[age_column], errors='coerce')
+        
+        # ایجاد DataFrame جدید با مقادیر عددی
+        plot_df = df.copy()
+        plot_df['مساحت'] = area
+        plot_df['مساحت زیرمجموعه'] = sub_area
+        plot_df[age_column] = age_values
+        
+        # حذف ردیف‌های با مقادیر NaN
+        plot_df = plot_df.dropna(subset=['مساحت', 'مساحت زیرمجموعه', age_column])
+        
+        if len(plot_df) > 0:
+            fig_area = px.scatter(
+                plot_df, 
+                x='مساحت', 
+                y='مساحت زیرمجموعه' if 'مساحت زیرمجموعه' in plot_df.columns else 'مساحت',
+                color=variety_column,
+                size=age_column,
+                hover_name='مزرعه',
+                title='رابطه بین مساحت و مساحت زیرمجموعه مزارع',
+                labels={'مساحت': 'مساحت کل (هکتار)', 'مساحت زیرمجموعه': 'مساحت زیرمجموعه (هکتار)'},
+                color_discrete_sequence=px.colors.sequential.Greens
+            )
+            fig_area.update_layout(
+                font_family="Vazirmatn",
+                title_font_family="Vazirmatn",
+                title_font_size=20
+            )
+        else:
+            fig_area = None
     else:
         fig_area = None
     
@@ -393,6 +458,7 @@ def create_analysis_charts(df):
 
 # تابع برای ایجاد مدل پیش‌بینی
 def create_prediction_model(df):
+    # ایجاد داده‌های نمونه برای سری زمانی
     dates = pd.date_range(end=datetime.now(), periods=90)
     farm_ids = df['مزرعه'].unique()
     
@@ -402,15 +468,16 @@ def create_prediction_model(df):
         base_height = np.random.uniform(0.5, 3.0)
         
         for date in dates:
+            # شبیه‌سازی رشد با الگوی سینوسی + روند
             day_of_year = date.dayofyear
             seasonal_factor = np.sin(day_of_year / 365 * 2 * np.pi) * 0.2
             trend_factor = date.dayofyear / 365 * 0.3
             
             ndvi = base_ndvi + seasonal_factor + trend_factor + np.random.normal(0, 0.05)
-            ndvi = max(0, min(1, ndvi))
+            ndvi = max(0, min(1, ndvi))  # محدود کردن به بازه 0 تا 1
             
             height = base_height + seasonal_factor * 2 + trend_factor + np.random.normal(0, 0.1)
-            height = max(0, height)
+            height = max(0, height)  # ارتفاع نمی‌تواند منفی باشد
             
             time_series_data.append({
                 'farm_id': farm_id,
@@ -423,17 +490,22 @@ def create_prediction_model(df):
     
     time_df = pd.DataFrame(time_series_data)
     
+    # ایجاد ویژگی‌ها برای مدل
     X = time_df[['ndvi', 'day_of_year', 'month']].values
     y = time_df['height'].values
     
+    # تقسیم داده‌ها به آموزش و آزمون
     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
     
+    # آموزش مدل
     model = RandomForestRegressor(n_estimators=100, random_state=42)
     model.fit(X_train, y_train)
     
+    # ارزیابی مدل
     y_pred = model.predict(X_test)
     mse = mean_squared_error(y_test, y_pred)
     
+    # ایجاد نمودار برای نمایش نتایج
     results_df = pd.DataFrame({
         'Actual': y_test,
         'Predicted': y_pred
@@ -462,7 +534,8 @@ def create_prediction_model(df):
         title_font_size=20
     )
     
-    farm_id = farm_ids[0]
+    # ایجاد نمودار سری زمانی
+    farm_id = farm_ids[0]  # انتخاب اولین مزرعه برای نمایش
     farm_data = time_df[time_df['farm_id'] == farm_id]
     
     fig_ts = px.line(
@@ -480,7 +553,10 @@ def create_prediction_model(df):
         yaxis_title='مقدار'
     )
     
-    return model, fig, fig_ts, time_df
+    return model, fig, fig_ts, time_df, y_test, y_pred
+
+# دانلود فایل‌های داده
+download_data_files()
 
 # بارگذاری داده‌های مزارع نیشکر
 farm_coordinates, farm_database, merged_data = load_farm_data()
@@ -488,6 +564,7 @@ farm_coordinates, farm_database, merged_data = load_farm_data()
 # منوی اصلی
 st.title("🌱 سامانه مانیتورینگ مزارع نیشکر")
 
+# منوی افقی
 tabs = st.tabs([
     "📊 داشبورد", 
     "🗺️ نقشه مزارع", 
@@ -497,9 +574,11 @@ tabs = st.tabs([
     "⚙️ تنظیمات"
 ])
 
+# تب داشبورد
 with tabs[0]:
     st.header("داشبورد مدیریت مزارع نیشکر")
     
+    # کارت‌های اطلاعاتی
     col1, col2, col3, col4 = st.columns(4)
     
     with col1:
@@ -510,18 +589,41 @@ with tabs[0]:
         display_metric_card("تعداد واریته‌ها", unique_varieties, "🌿")
     
     with col3:
-        avg_age = merged_data['سن_x'].mean() if 'سن_x' in merged_data.columns else merged_data['سن'].mean()
-        display_metric_card("میانگین سن", f"{avg_age:.1f} سال", "📅")
+        # محاسبه میانگین سن با مدیریت خطا
+        try:
+            age_column = 'سن_x' if 'سن_x' in merged_data.columns else 'سن'
+            # تبدیل به عدد با مدیریت خطا
+            age_values = pd.to_numeric(merged_data[age_column], errors='coerce')
+            # محاسبه میانگین با نادیده گرفتن مقادیر NaN
+            avg_age = age_values.mean()
+            if pd.isna(avg_age):
+                display_metric_card("میانگین سن", "نامشخص", "📅")
+            else:
+                display_metric_card("میانگین سن", f"{avg_age:.1f} سال", "📅")
+        except Exception as e:
+            st.warning(f"خطا در محاسبه میانگین سن: {e}")
+            display_metric_card("میانگین سن", "نامشخص", "📅")
     
     with col4:
         if 'مساحت' in merged_data.columns:
-            total_area = merged_data['مساحت'].sum()
-            display_metric_card("مساحت کل", f"{total_area:.1f} هکتار", "📏")
+            try:
+                # تبدیل به عدد با مدیریت خطا
+                area_values = pd.to_numeric(merged_data['مساحت'], errors='coerce')
+                # محاسبه مجموع با نادیده گرفتن مقادیر NaN
+                total_area = area_values.sum()
+                if pd.isna(total_area):
+                    display_metric_card("مساحت کل", "نامشخص", "📏")
+                else:
+                    display_metric_card("مساحت کل", f"{total_area:.1f} هکتار", "📏")
+            except Exception as e:
+                st.warning(f"خطا در محاسبه مساحت کل: {e}")
+                display_metric_card("مساحت کل", "نامشخص", "📏")
         else:
             display_metric_card("تعداد کانال‌ها", len(merged_data['کانال'].unique()) if 'کانال' in merged_data.columns else "نامشخص", "🚿")
     
     st.markdown("---")
     
+    # نمودارهای تحلیلی
     st.subheader("تحلیل کلی مزارع")
     
     col1, col2 = st.columns(2)
@@ -535,8 +637,10 @@ with tabs[0]:
         if fig_area:
             st.plotly_chart(fig_area, use_container_width=True)
         
+        # جدول اطلاعات مزارع
         st.subheader("اطلاعات مزارع")
         
+        # انتخاب ستون‌های مهم برای نمایش
         if 'مساحت' in merged_data.columns:
             display_columns = ['مزرعه', 'کانال', 'اداره', 'سن_x', 'واریته', 'مساحت', 'روز']
             column_config = {
@@ -564,6 +668,7 @@ with tabs[0]:
             hide_index=True
         )
 
+# تب نقشه مزارع
 with tabs[1]:
     st.header("نقشه مزارع نیشکر")
     
@@ -572,15 +677,19 @@ with tabs[1]:
     with col1:
         st.subheader("فیلتر مزارع")
         
+        # فیلتر بر اساس روز هفته
         days = ['همه روزها', 'شنبه', 'یکشنبه', 'دوشنبه', 'سه‌شنبه', 'چهارشنبه', 'پنجشنبه', 'جمعه']
         selected_day = st.selectbox("انتخاب روز هفته", days)
         
+        # فیلتر بر اساس واریته
         variety_column = 'واریته' if 'واریته' in merged_data.columns else 'تنوع'
         varieties = ['همه واریته‌ها'] + list(merged_data[variety_column].unique())
         selected_variety = st.selectbox("انتخاب واریته", varieties)
         
+        # فیلتر بر اساس سن
         age_column = 'سن_x' if 'سن_x' in merged_data.columns else 'سن'
-        min_age, max_age = int(merged_data[age_column].min()), int(merged_data[age_column].max())
+        age_values = pd.to_numeric(merged_data[age_column], errors='coerce')
+        min_age, max_age = int(age_values.min()), int(age_values.max())
         age_range = st.slider(
             "محدوده سن (سال)", 
             min_value=min_age,
@@ -588,6 +697,7 @@ with tabs[1]:
             value=(min_age, max_age)
         )
         
+        # اعمال فیلترها
         filtered_df = merged_data.copy()
         
         if selected_day != 'همه روزها' and 'روز' in filtered_df.columns:
@@ -596,17 +706,21 @@ with tabs[1]:
         if selected_variety != 'همه واریته‌ها':
             filtered_df = filtered_df[filtered_df[variety_column] == selected_variety]
         
-        filtered_df = filtered_df[(filtered_df[age_column] >= age_range[0]) & (filtered_df[age_column] <= age_range[1])]
+        # تبدیل ستون سن به عددی برای فیلتر کردن
+        age_values = pd.to_numeric(filtered_df[age_column], errors='coerce')
+        filtered_df = filtered_df[(age_values >= age_range[0]) & (age_values <= age_range[1])]
         
         st.write(f"تعداد مزارع نمایش داده شده: {len(filtered_df)}")
     
     with col2:
+        # نمایش نقشه
         if len(filtered_df) > 0:
             farm_map = create_farm_map(filtered_df)
             folium_static(farm_map, width=800, height=500)
         else:
             st.warning("هیچ مزرعه‌ای با فیلترهای انتخاب شده یافت نشد.")
 
+# تب ورود اطلاعات
 with tabs[2]:
     st.header("ورود و آپلود اطلاعات")
     
@@ -618,12 +732,14 @@ with tabs[2]:
         col1, col2 = st.columns(2)
         
         with col1:
+            # انتخاب مزرعه موجود یا ایجاد مزرعه جدید
             option = st.radio("انتخاب گزینه", ["ویرایش مزرعه موجود", "ایجاد مزرعه جدید"])
             
             if option == "ویرایش مزرعه موجود":
                 farm_name = st.selectbox("انتخاب مزرعه", merged_data['مزرعه'].tolist())
                 selected_farm = merged_data[merged_data['مزرعه'] == farm_name].iloc[0]
                 
+                # فیلدهای ورودی بر اساس ستون‌های موجود
                 if 'کانال' in merged_data.columns:
                     canal = st.text_input("کانال", value=selected_farm['کانال'])
                     office = st.text_input("اداره", value=selected_farm['اداره'])
@@ -634,7 +750,7 @@ with tabs[2]:
                     day = st.selectbox("روز", options=['شنبه', 'یکشنبه', 'دوشنبه', 'سه‌شنبه', 'چهارشنبه', 'پنجشنبه', 'جمعه'], index=['شنبه', 'یکشنبه', 'دوشنبه', 'سه‌شنبه', 'چهارشنبه', 'پنجشنبه', 'جمعه'].index(selected_farm['روز']))
                 
                 age_column = 'سن_x' if 'سن_x' in selected_farm else 'سن'
-                age = st.number_input("سن (سال)", value=int(selected_farm[age_column]), min_value=1, format="%d")
+                age = st.text_input("سن", value=selected_farm[age_column])
                 
                 lat = st.number_input("عرض جغرافیایی", value=float(selected_farm['عرض جغرافیایی']), format="%.6f")
                 lon = st.number_input("طول جغرافیایی", value=float(selected_farm['طول جغرافیایی']), format="%.6f")
@@ -642,8 +758,10 @@ with tabs[2]:
                 if st.button("بروزرسانی اطلاعات"):
                     st.success("اطلاعات مزرعه با موفقیت بروزرسانی شد.")
             else:
+                # ایجاد مزرعه جدید
                 farm_name = st.text_input("نام مزرعه", value=f"مزرعه جدید")
                 
+                # فیلدهای ورودی بر اساس ستون‌های موجود
                 if 'کانال' in merged_data.columns:
                     canal = st.text_input("کانال")
                     office = st.text_input("اداره")
@@ -653,7 +771,7 @@ with tabs[2]:
                     group = st.text_input("گروه")
                     day = st.selectbox("روز", options=['شنبه', 'یکشنبه', 'دوشنبه', 'سه‌شنبه', 'چهارشنبه', 'پنجشنبه', 'جمعه'])
                 
-                age = st.number_input("سن (سال)", value=1, min_value=1, format="%d")
+                age = st.text_input("سن", value="R1")
                 lat = st.number_input("عرض جغرافیایی", value=31.5, format="%.6f")
                 lon = st.number_input("طول جغرافیایی", value=48.5, format="%.6f")
                 
@@ -661,9 +779,11 @@ with tabs[2]:
                     st.success("مزرعه جدید با موفقیت ثبت شد.")
         
         with col2:
+            # نمایش نقشه برای انتخاب موقعیت
             st.subheader("انتخاب موقعیت روی نقشه")
             st.write("برای انتخاب موقعیت دقیق، روی نقشه کلیک کنید.")
             
+            # نمایش نقشه
             center_lat = merged_data['عرض جغرافیایی'].mean()
             center_lon = merged_data['طول جغرافیایی'].mean()
             m = folium.Map(location=[center_lat, center_lon], zoom_start=10)
@@ -722,6 +842,7 @@ with tabs[2]:
             except Exception as e:
                 st.error(f"خطا در خواندن فایل: {e}")
 
+# تب تحلیل داده‌ها
 with tabs[3]:
     st.header("تحلیل داده‌ها")
     
@@ -730,27 +851,35 @@ with tabs[3]:
     with analysis_tabs[0]:
         st.subheader("محاسبه و نمایش شاخص‌های گیاهی")
         
+        # اتصال به Google Earth Engine
         ee_connected = initialize_earth_engine()
         
         if ee_connected:
+            # انتخاب مزرعه
             farm_name = st.selectbox("انتخاب مزرعه برای تحلیل", merged_data['مزرعه'].tolist(), key="farm_select_indices")
             selected_farm = merged_data[merged_data['مزرعه'] == farm_name].iloc[0]
             
+            # انتخاب تاریخ
             date = st.date_input("انتخاب تاریخ", value=datetime.now() - timedelta(days=7))
             
             if st.button("محاسبه شاخص‌ها"):
                 with st.spinner("در حال محاسبه شاخص‌ها..."):
+                    # ایجاد geometry برای مزرعه
                     point = ee.Geometry.Point([selected_farm['طول جغرافیایی'], selected_farm['عرض جغرافیایی']])
-                    buffer = point.buffer(100)
+                    buffer = point.buffer(100)  # بافر 100 متری
                     
+                    # محاسبه شاخص‌ها
                     indices = calculate_indices(date.strftime('%Y-%m-%d'), buffer)
                     
                     if indices is not None:
+                        # نمایش نتایج
                         st.success("شاخص‌ها با موفقیت محاسبه شدند.")
                         
+                        # ایجاد نقشه برای نمایش شاخص‌ها
                         Map = geemap.Map()
                         Map.centerObject(buffer, 14)
                         
+                        # اضافه کردن لایه‌های مختلف
                         vis_params = {
                             'min': 0,
                             'max': 1,
@@ -764,10 +893,13 @@ with tabs[3]:
                         Map.addLayer(indices.select('LAI'), {'min': 0, 'max': 5, 'palette': ['red', 'yellow', 'green']}, 'LAI')
                         Map.addLayer(indices.select('CHL'), {'min': 0, 'max': 3, 'palette': ['red', 'yellow', 'green']}, 'CHL')
                         
+                        # اضافه کردن کنترل لایه‌ها
                         Map.addLayerControl()
                         
+                        # نمایش نقشه
                         Map.to_streamlit(height=500)
                         
+                        # نمایش مقادیر میانگین
                         col1, col2, col3 = st.columns(3)
                         
                         with col1:
@@ -787,12 +919,16 @@ with tabs[3]:
     with analysis_tabs[1]:
         st.subheader("تحلیل سری زمانی")
         
-        model, fig_model, fig_ts, time_df = create_prediction_model(merged_data)
+        # ایجاد مدل و نمودارها
+        model, fig_model, fig_ts, time_df, y_test, y_pred = create_prediction_model(merged_data)
         
+        # انتخاب مزرعه
         farm_name = st.selectbox("انتخاب مزرعه برای تحلیل", merged_data['مزرعه'].tolist(), key="farm_select_ts")
         
+        # فیلتر داده‌ها برای مزرعه انتخاب شده
         farm_time_data = time_df[time_df['farm_id'] == farm_name]
         
+        # نمایش نمودار سری زمانی
         fig_farm_ts = px.line(
             farm_time_data, 
             x='date', 
@@ -810,16 +946,19 @@ with tabs[3]:
         
         st.plotly_chart(fig_farm_ts, use_container_width=True)
         
+        # تحلیل روند
         st.subheader("تحلیل روند")
         
         col1, col2 = st.columns(2)
         
         with col1:
+            # محاسبه میانگین متحرک
             window_size = st.slider("اندازه پنجره میانگین متحرک", min_value=3, max_value=30, value=7)
             
             farm_time_data['ndvi_ma'] = farm_time_data['ndvi'].rolling(window=window_size).mean()
             farm_time_data['height_ma'] = farm_time_data['height'].rolling(window=window_size).mean()
             
+            # نمایش نمودار میانگین متحرک
             fig_ma = px.line(
                 farm_time_data.dropna(), 
                 x='date', 
@@ -838,6 +977,7 @@ with tabs[3]:
             st.plotly_chart(fig_ma, use_container_width=True)
         
         with col2:
+            # تحلیل فصلی
             monthly_data = farm_time_data.groupby('month').agg({
                 'ndvi': 'mean',
                 'height': 'mean'
@@ -864,14 +1004,18 @@ with tabs[3]:
     with analysis_tabs[2]:
         st.subheader("تشخیص تنش‌ها")
         
+        # انتخاب مزرعه
         farm_name = st.selectbox("انتخاب مزرعه برای تحلیل", merged_data['مزرعه'].tolist(), key="farm_select_stress")
         
+        # ایجاد داده‌های نمونه برای تنش‌ها
         dates = pd.date_range(end=datetime.now(), periods=90)
         stress_data = []
         
+        # شبیه‌سازی تنش آبی
         water_stress_threshold = 0.3
         base_ndwi = np.random.uniform(0.2, 0.5)
         
+        # شبیه‌سازی تنش بیماری
         disease_threshold = 0.4
         base_chl = np.random.uniform(1.5, 2.5)
         
@@ -879,6 +1023,7 @@ with tabs[3]:
             day_of_year = date.dayofyear
             seasonal_factor = np.sin(day_of_year / 365 * 2 * np.pi) * 0.2
             
+            # شبیه‌سازی تنش آبی در روزهای خاص
             water_stress_event = False
             if 30 <= day_of_year <= 40 or 70 <= day_of_year <= 75:
                 water_stress_event = True
@@ -886,6 +1031,7 @@ with tabs[3]:
             else:
                 ndwi = base_ndwi + seasonal_factor + np.random.normal(0, 0.05)
             
+            # شبیه‌سازی تنش بیماری در روزهای خاص
             disease_event = False
             if 50 <= day_of_year <= 60:
                 disease_event = True
@@ -893,6 +1039,7 @@ with tabs[3]:
             else:
                 chl = base_chl + seasonal_factor + np.random.normal(0, 0.1)
             
+            # محدود کردن مقادیر
             ndwi = max(-0.5, min(0.8, ndwi))
             chl = max(0.5, min(3.0, chl))
             
@@ -903,13 +1050,15 @@ with tabs[3]:
                 'water_stress': 1 if ndwi < water_stress_threshold else 0,
                 'disease_stress': 1 if chl < disease_threshold else 0,
                 'water_stress_event': water_stress_event,
-                'disease_stress_event': disease_event
+                'disease_stress_event': disease_stress_event
             })
         
         stress_df = pd.DataFrame(stress_data)
         
+        # نمایش نمودار تنش‌ها
         fig_stress = go.Figure()
         
+        # اضافه کردن NDWI
         fig_stress.add_trace(go.Scatter(
             x=stress_df['date'],
             y=stress_df['ndwi'],
@@ -917,6 +1066,7 @@ with tabs[3]:
             line=dict(color='blue')
         ))
         
+        # اضافه کردن CHL
         fig_stress.add_trace(go.Scatter(
             x=stress_df['date'],
             y=stress_df['chl'],
@@ -925,6 +1075,7 @@ with tabs[3]:
             yaxis='y2'
         ))
         
+        # اضافه کردن خط آستانه تنش آبی
         fig_stress.add_shape(
             type='line',
             x0=stress_df['date'].min(),
@@ -935,6 +1086,7 @@ with tabs[3]:
             name='آستانه تنش آبی'
         )
         
+        # اضافه کردن خط آستانه تنش بیماری
         fig_stress.add_shape(
             type='line',
             x0=stress_df['date'].min(),
@@ -946,6 +1098,7 @@ with tabs[3]:
             name='آستانه تنش بیماری'
         )
         
+        # تنظیمات نمودار
         fig_stress.update_layout(
             title='تشخیص تنش‌های آبی و بیماری',
             font_family="Vazirmatn",
@@ -976,11 +1129,13 @@ with tabs[3]:
         
         st.plotly_chart(fig_stress, use_container_width=True)
         
+        # نمایش هشدارها
         st.subheader("هشدارهای تنش")
         
         col1, col2 = st.columns(2)
         
         with col1:
+            # هشدارهای تنش آبی
             water_stress_days = stress_df[stress_df['water_stress'] == 1]
             
             if len(water_stress_days) > 0:
@@ -998,6 +1153,7 @@ with tabs[3]:
                 st.success("هیچ تنش آبی تشخیص داده نشده است.")
         
         with col2:
+            # هشدارهای تنش بیماری
             disease_stress_days = stress_df[stress_df['disease_stress'] == 1]
             
             if len(disease_stress_days) > 0:
@@ -1017,10 +1173,13 @@ with tabs[3]:
     with analysis_tabs[3]:
         st.subheader("پیش‌بینی رشد")
         
+        # انتخاب مزرعه
         farm_name = st.selectbox("انتخاب مزرعه برای پیش‌بینی", merged_data['مزرعه'].tolist(), key="farm_select_predict")
         
+        # فیلتر داده‌ها برای مزرعه انتخاب شده
         farm_time_data = time_df[time_df['farm_id'] == farm_name]
         
+        # تنظیمات پیش‌بینی
         st.subheader("تنظیمات پیش‌بینی")
         
         col1, col2 = st.columns(2)
@@ -1033,6 +1192,7 @@ with tabs[3]:
         
         if st.button("انجام پیش‌بینی"):
             with st.spinner("در حال انجام پیش‌بینی..."):
+                # ایجاد داده‌های آینده برای پیش‌بینی
                 last_date = farm_time_data['date'].max()
                 future_dates = pd.date_range(start=last_date + timedelta(days=1), periods=days_to_predict)
                 
@@ -1046,6 +1206,7 @@ with tabs[3]:
                 
                 future_df = pd.DataFrame(future_data)
                 
+                # پیش‌بینی NDVI برای روزهای آینده (با الگوی سینوسی + روند)
                 base_ndvi = farm_time_data['ndvi'].iloc[-1]
                 future_ndvi = []
                 
@@ -1053,28 +1214,38 @@ with tabs[3]:
                     seasonal_factor = np.sin(day / 365 * 2 * np.pi) * 0.2
                     trend_factor = day / 365 * 0.1
                     ndvi = base_ndvi + seasonal_factor + trend_factor
-                    ndvi = max(0, min(1, ndvi))
+                    ndvi = max(0, min(1, ndvi))  # محدود کردن به بازه 0 تا 1
                     future_ndvi.append(ndvi)
                 
                 future_df['ndvi'] = future_ndvi
                 
+                # پیش‌بینی ارتفاع با استفاده از مدل
                 X_future = future_df[['ndvi', 'day_of_year', 'month']].values
                 future_df['height'] = model.predict(X_future)
                 
-                z_score = {90: 1.645, 95: 1.96, 99: 2.576}.get(confidence_interval, 1.96)
+                # محاسبه فاصله اطمینان
+                z_score = {
+                    90: 1.645,
+                    95: 1.96,
+                    99: 2.576
+                }.get(confidence_interval, 1.96)
+                
                 mse = mean_squared_error(y_test, y_pred)
                 std_dev = np.sqrt(mse)
                 
                 future_df['height_lower'] = future_df['height'] - z_score * std_dev
                 future_df['height_upper'] = future_df['height'] + z_score * std_dev
                 
+                # ترکیب داده‌های گذشته و آینده
                 combined_df = pd.concat([
                     farm_time_data[['date', 'ndvi', 'height']],
                     future_df[['date', 'ndvi', 'height', 'height_lower', 'height_upper']]
                 ])
                 
+                # نمایش نمودار پیش‌بینی
                 fig_predict = go.Figure()
                 
+                # داده‌های گذشته
                 past_data = combined_df[combined_df['date'] <= last_date]
                 
                 fig_predict.add_trace(go.Scatter(
@@ -1084,6 +1255,7 @@ with tabs[3]:
                     line=dict(color='blue')
                 ))
                 
+                # داده‌های پیش‌بینی شده
                 future_data = combined_df[combined_df['date'] > last_date]
                 
                 fig_predict.add_trace(go.Scatter(
@@ -1093,6 +1265,7 @@ with tabs[3]:
                     line=dict(color='red')
                 ))
                 
+                # فاصله اطمینان
                 fig_predict.add_trace(go.Scatter(
                     x=future_data['date'],
                     y=future_data['height_upper'],
@@ -1111,6 +1284,7 @@ with tabs[3]:
                     showlegend=True
                 ))
                 
+                # تنظیمات نمودار
                 fig_predict.update_layout(
                     title=f'پیش‌بینی ارتفاع برای {days_to_predict} روز آینده',
                     font_family="Vazirmatn",
@@ -1129,6 +1303,7 @@ with tabs[3]:
                 
                 st.plotly_chart(fig_predict, use_container_width=True)
                 
+                # نمایش جدول پیش‌بینی
                 st.subheader("جدول پیش‌بینی")
                 
                 st.dataframe(
@@ -1143,6 +1318,7 @@ with tabs[3]:
                     hide_index=True
                 )
                 
+                # نمایش خلاصه پیش‌بینی
                 st.subheader("خلاصه پیش‌بینی")
                 
                 col1, col2, col3 = st.columns(3)
@@ -1170,14 +1346,17 @@ with tabs[3]:
                         f"{final_height:.2f} متر"
                     )
 
+# تب گزارش‌گیری
 with tabs[4]:
     st.header("گزارش‌گیری")
     
+    # انتخاب نوع گزارش
     report_type = st.selectbox(
         "انتخاب نوع گزارش",
         ["گزارش وضعیت کلی مزارع", "گزارش تحلیل شاخص‌ها", "گزارش تنش‌ها", "گزارش پیش‌بینی رشد"]
     )
     
+    # انتخاب بازه زمانی
     col1, col2 = st.columns(2)
     
     with col1:
@@ -1186,14 +1365,16 @@ with tabs[4]:
     with col2:
         end_date = st.date_input("تاریخ پایان", value=datetime.now())
     
+    # انتخاب مزارع
     selected_farms = st.multiselect(
         "انتخاب مزارع",
         options=merged_data['مزرعه'].tolist()
     )
     
     if not selected_farms:
-        selected_farms = merged_data['مزرعه'].tolist()
+        selected_farms = merged_data['مزرعه'].tolist()  # اگر هیچ مزرعه‌ای انتخاب نشده باشد، همه مزارع انتخاب می‌شوند
     
+    # فیلتر داده‌ها بر اساس مزارع انتخاب شده
     filtered_farm_df = merged_data[merged_data['مزرعه'].isin(selected_farms)]
     
     if st.button("تولید گزارش"):
@@ -1201,6 +1382,7 @@ with tabs[4]:
             if report_type == "گزارش وضعیت کلی مزارع":
                 st.subheader("گزارش وضعیت کلی مزارع")
                 
+                # نمودارهای تحلیلی
                 fig_variety, fig_age, fig_area = create_analysis_charts(filtered_farm_df)
                 
                 col1, col2 = st.columns(2)
@@ -1214,8 +1396,10 @@ with tabs[4]:
                 if fig_area:
                     st.plotly_chart(fig_area, use_container_width=True)
                 
+                # جدول اطلاعات مزارع
                 st.subheader("اطلاعات مزارع")
                 
+                # انتخاب ستون‌های مهم برای نمایش
                 if 'مساحت' in filtered_farm_df.columns:
                     display_columns = ['مزرعه', 'کانال', 'اداره', 'سن_x', 'واریته', 'مساحت', 'روز']
                     column_config = {
@@ -1243,6 +1427,7 @@ with tabs[4]:
                     hide_index=True
                 )
                 
+                # آمار خلاصه
                 st.subheader("آمار خلاصه")
                 
                 col1, col2, col3, col4 = st.columns(4)
@@ -1252,13 +1437,15 @@ with tabs[4]:
                 
                 with col2:
                     if 'مساحت' in filtered_farm_df.columns:
-                        st.metric("میانگین مساحت", f"{filtered_farm_df['مساحت'].mean():.2f} هکتار")
+                        area_values = pd.to_numeric(filtered_farm_df['مساحت'], errors='coerce')
+                        st.metric("میانگین مساحت", f"{area_values.mean():.2f} هکتار")
                     else:
                         st.metric("تعداد واریته‌ها", len(filtered_farm_df['تنوع'].unique()))
                 
                 with col3:
                     age_column = 'سن_x' if 'سن_x' in filtered_farm_df.columns else 'سن'
-                    st.metric("میانگین سن", f"{filtered_farm_df[age_column].mean():.1f} سال")
+                    age_values = pd.to_numeric(filtered_farm_df[age_column], errors='coerce')
+                    st.metric("میانگین سن", f"{age_values.mean():.1f} سال")
                 
                 with col4:
                     if 'روز' in filtered_farm_df.columns:
@@ -1266,12 +1453,15 @@ with tabs[4]:
                     else:
                         st.metric("تعداد مزارع", len(filtered_farm_df))
                 
+                # نقشه مزارع
                 st.subheader("نقشه مزارع")
                 farm_map = create_farm_map(filtered_farm_df)
                 folium_static(farm_map, width=800, height=500)
                 
+                # دانلود گزارش
                 st.subheader("دانلود گزارش")
                 
+                # ایجاد فایل PDF
                 figs = [fig_variety, fig_age]
                 if fig_area:
                     figs.append(fig_area)
@@ -1280,6 +1470,7 @@ with tabs[4]:
                 
                 pdf_buffer = create_report_pdf(figs, tables, "گزارش وضعیت کلی مزارع")
                 
+                # دانلود PDF
                 st.download_button(
                     label="دانلود گزارش (PDF)",
                     data=pdf_buffer,
@@ -1287,6 +1478,7 @@ with tabs[4]:
                     mime="application/pdf"
                 )
                 
+                # دانلود Excel
                 excel_buffer = io.BytesIO()
                 filtered_farm_df.to_excel(excel_buffer, index=False)
                 excel_buffer.seek(0)
@@ -1301,9 +1493,11 @@ with tabs[4]:
             elif report_type == "گزارش تحلیل شاخص‌ها":
                 st.subheader("گزارش تحلیل شاخص‌ها")
                 
+                # ایجاد داده‌های نمونه برای شاخص‌ها
                 indices_data = []
                 
                 for farm_name in selected_farms:
+                    # مقادیر پایه برای هر مزرعه
                     base_ndvi = np.random.uniform(0.3, 0.8)
                     base_ndwi = np.random.uniform(0.1, 0.5)
                     base_evi = np.random.uniform(0.3, 0.7)
@@ -1311,9 +1505,11 @@ with tabs[4]:
                     base_lai = np.random.uniform(1.0, 4.0)
                     base_chl = np.random.uniform(1.0, 3.0)
                     
+                    # ایجاد داده‌ها برای بازه زمانی انتخاب شده
                     date_range = pd.date_range(start=start_date, end=end_date)
                     
                     for date in date_range:
+                        # شبیه‌سازی تغییرات با الگوی سینوسی
                         day_of_year = date.dayofyear
                         seasonal_factor = np.sin(day_of_year / 365 * 2 * np.pi) * 0.1
                         
@@ -1324,6 +1520,7 @@ with tabs[4]:
                         lai = base_lai + seasonal_factor * 2 + np.random.normal(0, 0.2)
                         chl = base_chl + seasonal_factor + np.random.normal(0, 0.1)
                         
+                        # محدود کردن مقادیر
                         ndvi = max(0, min(1, ndvi))
                         ndwi = max(-0.5, min(0.8, ndwi))
                         evi = max(0, min(1, evi))
@@ -1344,6 +1541,7 @@ with tabs[4]:
                 
                 indices_df = pd.DataFrame(indices_data)
                 
+                # نمایش میانگین شاخص‌ها برای هر مزرعه
                 avg_indices = indices_df.groupby('farm_name').agg({
                     'ndvi': 'mean',
                     'ndwi': 'mean',
@@ -1368,8 +1566,10 @@ with tabs[4]:
                     hide_index=True
                 )
                 
+                # نمودار مقایسه‌ای شاخص‌ها
                 st.subheader("مقایسه شاخص‌ها بین مزارع")
                 
+                # انتخاب شاخص برای نمایش
                 selected_index = st.selectbox(
                     "انتخاب شاخص",
                     ["NDVI", "NDWI", "EVI", "NDMI", "LAI", "CHL"]
@@ -1384,6 +1584,7 @@ with tabs[4]:
                     "CHL": "chl"
                 }
                 
+                # نمودار مقایسه‌ای
                 fig_compare = px.bar(
                     avg_indices,
                     x='farm_name',
@@ -1402,15 +1603,19 @@ with tabs[4]:
                 
                 st.plotly_chart(fig_compare, use_container_width=True)
                 
+                # نمودار سری زمانی
                 st.subheader("سری زمانی شاخص‌ها")
                 
+                # انتخاب مزرعه برای نمایش سری زمانی
                 selected_farm_name = st.selectbox(
                     "انتخاب مزرعه",
                     options=selected_farms
                 )
                 
+                # فیلتر داده‌ها برای مزرعه انتخاب شده
                 farm_indices = indices_df[indices_df['farm_name'] == selected_farm_name]
                 
+                # نمودار سری زمانی
                 fig_ts = px.line(
                     farm_indices,
                     x='date',
@@ -1428,13 +1633,16 @@ with tabs[4]:
                 
                 st.plotly_chart(fig_ts, use_container_width=True)
                 
+                # دانلود گزارش
                 st.subheader("دانلود گزارش")
                 
+                # ایجاد فایل PDF
                 figs = [fig_compare, fig_ts]
                 tables = [avg_indices]
                 
                 pdf_buffer = create_report_pdf(figs, tables, "گزارش تحلیل شاخص‌ها")
                 
+                # دانلود PDF
                 st.download_button(
                     label="دانلود گزارش (PDF)",
                     data=pdf_buffer,
@@ -1442,6 +1650,7 @@ with tabs[4]:
                     mime="application/pdf"
                 )
                 
+                # دانلود Excel
                 excel_buffer = io.BytesIO()
                 indices_df.to_excel(excel_buffer, index=False)
                 excel_buffer.seek(0)
@@ -1456,35 +1665,42 @@ with tabs[4]:
             elif report_type == "گزارش تنش‌ها":
                 st.subheader("گزارش تنش‌ها")
                 
+                # ایجاد داده‌های نمونه برای تنش‌ها
                 stress_data = []
                 
                 for farm_name in selected_farms:
+                    # مقادیر پایه برای هر مزرعه
                     base_ndwi = np.random.uniform(0.2, 0.5)
                     base_chl = np.random.uniform(1.5, 2.5)
                     
+                    # آستانه‌های تنش
                     water_stress_threshold = 0.3
                     disease_threshold = 0.4
                     
+                    # ایجاد داده‌ها برای بازه زمانی انتخاب شده
                     date_range = pd.date_range(start=start_date, end=end_date)
                     
                     for date in date_range:
                         day_of_year = date.dayofyear
                         seasonal_factor = np.sin(day_of_year / 365 * 2 * np.pi) * 0.2
                         
+                        # شبیه‌سازی تنش آبی در روزهای خاص
                         water_stress_event = False
-                        if (day_of_year % 30) < 5:
+                        if (day_of_year % 30) < 5:  # هر 30 روز، 5 روز تنش آبی
                             water_stress_event = True
                             ndwi = base_ndwi - 0.3 + np.random.normal(0, 0.05)
                         else:
                             ndwi = base_ndwi + seasonal_factor + np.random.normal(0, 0.05)
                         
+                        # شبیه‌سازی تنش بیماری در روزهای خاص
                         disease_event = False
-                        if (day_of_year % 45) < 7:
+                        if (day_of_year % 45) < 7:  # هر 45 روز، 7 روز تنش بیماری
                             disease_event = True
                             chl = base_chl - 0.5 + np.random.normal(0, 0.1)
                         else:
                             chl = base_chl + seasonal_factor + np.random.normal(0, 0.1)
                         
+                        # محدود کردن مقادیر
                         ndwi = max(-0.5, min(0.8, ndwi))
                         chl = max(0.5, min(3.0, chl))
                         
@@ -1496,11 +1712,12 @@ with tabs[4]:
                             'water_stress': 1 if ndwi < water_stress_threshold else 0,
                             'disease_stress': 1 if chl < disease_threshold else 0,
                             'water_stress_event': water_stress_event,
-                            'disease_stress_event': disease_event
+                            'disease_stress_event': disease_stress_event
                         })
                 
                 stress_df = pd.DataFrame(stress_data)
                 
+                # آمار تنش‌ها
                 stress_stats = stress_df.groupby('farm_name').agg({
                     'water_stress': 'sum',
                     'disease_stress': 'sum'
@@ -1514,6 +1731,7 @@ with tabs[4]:
                 st.subheader("آمار تنش‌ها برای هر مزرعه")
                 st.dataframe(stress_stats, hide_index=True)
                 
+                # نمودار مقایسه‌ای تنش‌ها
                 fig_stress_compare = px.bar(
                     stress_stats,
                     x='farm_name',
@@ -1531,18 +1749,23 @@ with tabs[4]:
                 
                 st.plotly_chart(fig_stress_compare, use_container_width=True)
                 
+                # نمودار سری زمانی تنش‌ها
                 st.subheader("سری زمانی تنش‌ها")
                 
+                # انتخاب مزرعه برای نمایش سری زمانی
                 selected_farm_name = st.selectbox(
                     "انتخاب مزرعه",
                     options=selected_farms,
                     key="farm_select_stress_report"
                 )
                 
+                # فیلتر داده‌ها برای مزرعه انتخاب شده
                 farm_stress = stress_df[stress_df['farm_name'] == selected_farm_name]
                 
+                # نمودار سری زمانی
                 fig_stress_ts = go.Figure()
                 
+                # اضافه کردن NDWI
                 fig_stress_ts.add_trace(go.Scatter(
                     x=farm_stress['date'],
                     y=farm_stress['ndwi'],
@@ -1550,6 +1773,7 @@ with tabs[4]:
                     line=dict(color='blue')
                 ))
                 
+                # اضافه کردن CHL
                 fig_stress_ts.add_trace(go.Scatter(
                     x=farm_stress['date'],
                     y=farm_stress['chl'],
@@ -1558,25 +1782,28 @@ with tabs[4]:
                     yaxis='y2'
                 ))
                 
+                # اضافه کردن خط آستانه تنش آبی
                 fig_stress_ts.add_shape(
                     type='line',
                     x0=farm_stress['date'].min(),
-                    y0=0.3,
+                    y0=0.3,  # water_stress_threshold
                     x1=farm_stress['date'].max(),
                     y1=0.3,
                     line=dict(color='red', dash='dash')
                 )
                 
+                # اضافه کردن خط آستانه تنش بیماری
                 fig_stress_ts.add_shape(
                     type='line',
                     x0=farm_stress['date'].min(),
-                    y0=0.4,
+                    y0=0.4,  # disease_threshold
                     x1=farm_stress['date'].max(),
                     y1=0.4,
                     line=dict(color='orange', dash='dash'),
                     yaxis='y2'
                 )
                 
+                # تنظیمات نمودار
                 fig_stress_ts.update_layout(
                     title=f'سری زمانی تنش‌ها برای {selected_farm_name}',
                     font_family="Vazirmatn",
@@ -1607,8 +1834,10 @@ with tabs[4]:
                 
                 st.plotly_chart(fig_stress_ts, use_container_width=True)
                 
+                # جدول روزهای تنش
                 st.subheader("روزهای تنش")
                 
+                # فیلتر روزهای تنش
                 stress_days = farm_stress[(farm_stress['water_stress'] == 1) | (farm_stress['disease_stress'] == 1)]
                 stress_days = stress_days[['date', 'ndwi', 'chl', 'water_stress', 'disease_stress']]
                 
@@ -1627,13 +1856,16 @@ with tabs[4]:
                 else:
                     st.info("هیچ روز تنشی برای این مزرعه در بازه زمانی انتخاب شده یافت نشد.")
                 
+                # دانلود گزارش
                 st.subheader("دانلود گزارش")
                 
+                # ایجاد فایل PDF
                 figs = [fig_stress_compare, fig_stress_ts]
                 tables = [stress_stats, stress_days]
                 
                 pdf_buffer = create_report_pdf(figs, tables, "گزارش تنش‌ها")
                 
+                # دانلود PDF
                 st.download_button(
                     label="دانلود گزارش (PDF)",
                     data=pdf_buffer,
@@ -1641,6 +1873,7 @@ with tabs[4]:
                     mime="application/pdf"
                 )
                 
+                # دانلود Excel
                 excel_buffer = io.BytesIO()
                 stress_df.to_excel(excel_buffer, index=False)
                 excel_buffer.seek(0)
@@ -1655,10 +1888,13 @@ with tabs[4]:
             elif report_type == "گزارش پیش‌بینی رشد":
                 st.subheader("گزارش پیش‌بینی رشد")
                 
-                model, fig_model, fig_ts, time_df = create_prediction_model(merged_data)
+                # ایجاد مدل و داده‌های پیش‌بینی
+                model, fig_model, fig_ts, time_df, y_test, y_pred = create_prediction_model(merged_data)
                 
+                # فیلتر داده‌ها برای مزارع انتخاب شده
                 filtered_time_df = time_df[time_df['farm_id'].isin(selected_farms)]
                 
+                # آمار رشد
                 growth_stats = filtered_time_df.groupby('farm_id').agg({
                     'height': ['first', 'last', lambda x: x.iloc[-1] - x.iloc[0]]
                 })
@@ -1678,6 +1914,7 @@ with tabs[4]:
                     hide_index=True
                 )
                 
+                # نمودار مقایسه‌ای ر��د
                 fig_growth = px.bar(
                     growth_stats,
                     x='farm_id',
@@ -1696,16 +1933,20 @@ with tabs[4]:
                 
                 st.plotly_chart(fig_growth, use_container_width=True)
                 
+                # نمودار سری زمانی رشد
                 st.subheader("سری زمانی رشد")
                 
+                # انتخاب مزرعه برای نمایش سری زمانی
                 selected_farm_name = st.selectbox(
                     "انتخاب مزرعه",
                     options=selected_farms,
                     key="farm_select_growth_report"
                 )
                 
+                # فیلتر داده‌ها برای مزرعه انتخاب شده
                 farm_growth = filtered_time_df[filtered_time_df['farm_id'] == selected_farm_name]
                 
+                # نمودار سری زمانی
                 fig_growth_ts = px.line(
                     farm_growth,
                     x='date',
@@ -1722,13 +1963,16 @@ with tabs[4]:
                 
                 st.plotly_chart(fig_growth_ts, use_container_width=True)
                 
+                # دانلود گزارش
                 st.subheader("دانلود گزارش")
                 
+                # ایجاد فایل PDF
                 figs = [fig_growth, fig_growth_ts]
                 tables = [growth_stats]
                 
                 pdf_buffer = create_report_pdf(figs, tables, "گزارش پیش‌بینی رشد")
                 
+                # دانلود PDF
                 st.download_button(
                     label="دانلود گزارش (PDF)",
                     data=pdf_buffer,
@@ -1736,6 +1980,7 @@ with tabs[4]:
                     mime="application/pdf"
                 )
                 
+                # دانلود Excel
                 excel_buffer = io.BytesIO()
                 filtered_time_df.to_excel(excel_buffer, index=False)
                 excel_buffer.seek(0)
@@ -1747,6 +1992,7 @@ with tabs[4]:
                     mime="application/vnd.openxmlformats-officedocument.spreadsheetml.sheet"
                 )
 
+# تب تنظیمات
 with tabs[5]:
     st.header("تنظیمات")
     
@@ -1755,6 +2001,7 @@ with tabs[5]:
     with settings_tabs[0]:
         st.subheader("تنظیمات عمومی")
         
+        # تنظیمات ظاهری
         st.write("### تنظیمات ظاهری")
         
         col1, col2 = st.columns(2)
@@ -1781,6 +2028,7 @@ with tabs[5]:
                 ["Viridis (پیش‌فرض)", "Plasma", "Inferno", "Magma", "Cividis"]
             )
         
+        # تنظیمات زبان
         st.write("### تنظیمات زبان")
         
         language = st.radio(
@@ -1788,6 +2036,7 @@ with tabs[5]:
             ["فارسی (پیش‌فرض)", "انگلیسی"]
         )
         
+        # تنظیمات واحدها
         st.write("### تنظیمات واحدها")
         
         col1, col2 = st.columns(2)
@@ -1814,12 +2063,14 @@ with tabs[5]:
                 ["1,234.56 (پیش‌فرض)", "1.234,56"]
             )
         
+        # دکمه ذخیره تنظیمات
         if st.button("ذخیره تنظیمات"):
             st.success("تنظیمات با موفقیت ذخیره شد.")
     
     with settings_tabs[1]:
         st.subheader("اتصال به Google Earth Engine")
         
+        # توضیحات
         st.write("""
         برای اتصال به Google Earth Engine، از حساب سرویس زیر استفاده می‌شود:
         
@@ -1827,19 +2078,23 @@ with tabs[5]:
         - پروژه: `ee-esmaeilkiani13877`
         """)
         
+        # نمایش وضعیت اتصال
         ee_connected = initialize_earth_engine()
         
         if ee_connected:
             st.success("اتصال به Google Earth Engine برقرار است.")
             
+            # دکمه تست اتصال
             if st.button("تست اتصال"):
                 with st.spinner("در حال تست اتصال..."):
+                    # شبیه‌سازی تست اتصال
                     import time
                     time.sleep(2)
                     st.success("اتصال با موفقیت برقرار شد.")
         else:
             st.error("اتصال به Google Earth Engine برقرار نشد. لطفاً تنظیمات را بررسی کنید.")
         
+        # تنظیمات پیشرفته
         st.write("### تنظیمات پیشرفته")
         
         col1, col2 = st.columns(2)
@@ -1857,6 +2112,7 @@ with tabs[5]:
     with settings_tabs[2]:
         st.subheader("مدیریت کاربران")
         
+        # ایجاد داده‌های نمونه برای کاربران
         users_data = {
             'user_id': list(range(1, 6)),
             'username': ['admin', 'user1', 'user2', 'user3', 'user4'],
@@ -1873,6 +2129,7 @@ with tabs[5]:
         
         users_df = pd.DataFrame(users_data)
         
+        # نمایش لیست کاربران
         st.write("### لیست کاربران")
         
         st.dataframe(
@@ -1887,6 +2144,7 @@ with tabs[5]:
             hide_index=True
         )
         
+        # افزودن کاربر جدید
         st.write("### افزودن کاربر جدید")
         
         col1, col2 = st.columns(2)
@@ -1905,8 +2163,10 @@ with tabs[5]:
             else:
                 st.error("لطفاً تمام فیلدها را پر کنید.")
         
+        # ویرایش دسترسی‌ها
         st.write("### مدیریت دسترسی‌ها")
         
+        # جدول دسترسی‌ها
         access_data = {
             'role': ['مدیر', 'کارشناس', 'کاربر'],
             'dashboard': ['خواندن/نوشتن', 'خواندن/نوشتن', 'خواندن'],
@@ -1933,9 +2193,14 @@ with tabs[5]:
             hide_index=True
         )
         
+        # دکمه ویرایش دسترسی‌ها
         if st.button("ویرایش دسترسی‌ها"):
             st.info("برای ویرایش دسترسی‌ها، لطفاً با مدیر سیستم تماس بگیرید.")
 
+# نمایش اطلاعات نسخه
+st.sidebar.markdown("---")
+st.sidebar.info("نسخه 1.0.0")
+st.sidebar.info("توسعه داده شده با Streamlit")
 st.sidebar.markdown("---")
 st.sidebar.info("نسخه 1.0.0")
 st.sidebar.info("توسعه داده شده با Streamlit")